文摘

在体育领域,现有的培训计划的制定主要依靠人工观察和个人经验的教练。这种方法必然是主观的。人工智能技术的应用训练运动员认识运动员的姿势可以帮助教练协助决策和大大提高运动员的竞技能力。人体运动更复杂,体现在体育和准确识别运动姿势起着积极重要的作用在体育竞赛和培训。摘要惯性传感器技术是应用于识别运动的态度。首先,为了提高姿态计算的准确性,减少噪声干扰在制备过程中,本文使用微分进化算法应用计算实现多传感器数据融合的态度。其次,两级神经网络智能动态手势识别算法。两级神经网络智能识别算法有效地识别类似的行动,把传统的单一神经网络分解为两级神经网络。实验表明,本文设计的实验方法的姿态运动可以获得实时的运动信息考生,意识到个人运动的准确提取数据,并完成识别的运动姿态。平均准确率可以达到98.85%。 There is a certain practical value in gesture recognition.

1。介绍

随着科学技术的迅速发展,利用科技手段提高运动训练的质量逐渐吸引了人们的注意力。在过去的运动训练过程中,训练师使用更少的困难录像回放和分析管理方法来解释运动员的运动要素。不直观、科学、缺乏真实性和交互性,不能满足运动员的运动的基本评估要求规范和培训结果(1,2]。然而,体育视频可以提取运动员的训练参数。我们可以进一步分析训练参数通过构造模型和观察训练动作。让运动员训练的运动分析的结果(3]。最终,我们可以确保运动员直觉地理解他们的缺陷。

有两个主要的识别人体动作识别的方法,即基于图像分析识别技术和基于惯性传感器的识别技术4,5]。基于图像分析识别技术主要收集视频、图像和其他信息来识别人体姿势(6]。因此,有必要提前将摄像机等监控设备在检测环境中收集数据。图像分析技术已应用于人体手势识别处于初级阶段,和技术相对成熟。早期的包括研究基于单目视频和研究基于多视图视频(7,8]。此外,Sokolova和Konushin [9)使用多个摄像头进行multiangle检测人类行为的姿态和用神经网络算法来训练和分类图像和视频数据。然而,由于包含大量的数据,很难实现实时监控。仍有许多缺点的基于图像分析识别技术,它要求精度高的设备,设备相对比较笨重、不可移植的。视频采集是容易产生盲点;有些地方不容易观察,监测范围显然是有限的。此外,图像采集的大量数据可以很容易地导致存储不足,无法达到实时监控的目的10]。基于惯性传感器的识别技术弥补了缺陷的图像识别技术(11]。科学和技术的发展促使传感器技术的提高。传感器设备已成为最好的效果由于其体积小、精度高、灵活性和容易磨损,环境要求低,灵敏度高,能耗低,和良好的实时性能。广泛应用于各个领域,如竞技体育(12),康复治疗(13)、躯体感觉游戏(14),和其他方面。

目前,仍有许多缺陷的识别人体运动姿势,和缺乏相关研究运动姿态的识别。针对这种情况,本文提出了一种惯性传感器运动姿态识别算法。首先,由于惯性传感器的输出陀螺仪漂移,一个错误的输出包含在手势识别输出。误差会随着时间积累和扩大,这将导致人体的旋转角度偏离真实值。因此,本文采用微分进化算法来解决姿态四元数,从而减少误差的角度传感器。其次,两级神经网络智能动态手势识别算法。两级神经网络智能识别算法有效地识别类似的行动,把传统的单一神经网络分解为两级神经网络。本文实验结果表明,该算法取得了更好的识别性能。

2。相关研究内容

作为模式识别领域的一个分支,人类的手势识别和发展近年来受到了人们的广泛关注15,16]。如今,许多大学、科研机构和相关企业在世界各地开展了很多研究的人体动作识别。目前,人类运动识别主要包括四个方面:建立,运动传感器,无线无线信号,人类能源运动识别方法(17]。

传统的运动识别技术不仅需要建立相机设备捕捉人体的运动轨迹也严厉要求拍摄环境。同时,观察角度也有很高的要求。一旦改变观察角度,识别人体的行动也将是极其困难的。因此,刘18)提出了一种新的表示方法,使用轮廓信息被多个正交相机消除视角变化的影响,因此,解决这个问题视角的变化无法识别人类的动作。

除了严格要求拍摄环境视觉识别技术的基础上,收集的数据也非常大。这样的大数据的处理设备要求相对较高的要求,因此设备的维护通常需要很多钱。由于传感器的独特优势,基于传感器识别技术可以应用于更多的领域。常见的传感器包括加速度传感器和GPS传感器(19- - - - - -21]。Barshan和Yurtman22)使用了一个惯性传感器检测的零速度人体在行走和分类和识别各种各样的人类日常运动。Kurban和Yıldırım23]戴在手腕和可穿戴传感器收集加速度数据臂的运动识别。

当人体动作或发生一些物理行为,整个身体或部分四肢将不可避免地产生加速度。因此,人体的运动状态可以直观地分析了加速度信息。Panwar et al。24)将人体的加速度数据分成六个州根据加速度的特点。Rawassizadeh和科孜25]人类运动期间收集到的加速度数据转换成能源数据可以收集通过mass-spring-damping加速度系统模型,建立了公共图书馆收藏。人体的加速度运动的自然状态超过200 h可以收集没有任何限制。实验结果表明,不同的能量信号从不同的人体动作,它提供了一个新的研究方向行动识别基于人类运动的能量。任等。26)利用三轴加速度传感器开发了一个系统,可以识别人类的运动。系统可用于物理康复训练、医疗诊断、体育锻炼等。

近年来,随着传感器技术的不断发展,传感器的尺寸变得越来越小,而且精度越来越高。随着微电子技术的成熟,基于惯性传感器的人体动作识别逐渐成为一个研究热点27]。模式识别的基础上,许多研究人员基于图像识别技术应用于人体动作识别领域的基于可穿戴设备。为了解决这个问题,曹et al。28)利用惯性传感器设备收集手运动数据,然后意识到手部运动实现的识别有效的医生和计算机之间的交互。董et al。29日使用加速度传感器和一个弯曲传感器完成一个可穿戴的无线传感器设备,实现的功能捕捉人类手臂运动,完成了人类的捕获和识别的姿势和应用医学的人。曾庆红et al。(30.)利用惯性传感器设备检测跳时膝关节的受力和应用到交叉韧带损伤检测和识别,从而减少人工膝关节损伤的可能性。Guignard et al。31日)使用可穿戴传感器收集志愿者在游泳的姿态信息,评估他们在游泳姿势动作的正确性,并提供相应的参考他们未来的培训。

Shinde和Sonavane32身体)使用无线区域网络技术来研究人体姿势和构建了一个多层次对人体姿态识别算法。一个三层的识别算法被用来实现5人体姿势的识别,识别率达到95.6%。风扇(33使用一个加速度传感器进行人体实验的日常运动。通过收购三轴加速度数据在运动期间,四个姿势在日常生活中是杰出的,以及各种姿势之间的转换进行了分析和识别的特殊情况。Wan et al。34)使用了一个三轴陀螺仪和加速度惯性传感器,应用软件开发,提出了一种基于支持向量机的人体动作识别方法。Truong et al。35]分析了人体的手臂摆动散步、俯卧撑、仰卧起坐和身体姿态特征提取在行动。一步计算的精度大于87.7%;俯卧撑和仰卧起坐的精度大于86.3%;心率大于90%的准确性。

目前,仍有许多缺陷的识别人体运动姿势,和缺乏相关研究运动姿态的识别。针对这种情况,本文提出了一种惯性传感器运动姿态识别算法。这种方法更全面、准确的识别和分析运动姿势。

3所示。高速实时增强现实基于混合特征点跟踪算法

3.1。传感器信号采集

不断发展和细分的模式识别领域,连续智能化和微型化的传感器,基于加速度传感器的人体运动姿态的识别已经成为更受欢迎。许多研究人员已经使用图像识别技术和语音识别技术和其他相关识别技术。它已得到改进,应用于人体运动姿态的识别基于惯性传感器。

图1显示了人类的姿势的过程基于惯性传感器的识别方法,主要分为五个阶段:数据收集、数据预处理、数据分割、特征提取、分类器训练。其中,数据采集阶段主要收集人体的物理或生理信号通过传感器设备,如加速度、角速度,心率、体温和其他信息。在数据预处理阶段,主要完成的处理de-drying和标准化的数据,所以数据满足系统的需要。在数据分割阶段,一个行动的数据提取时域和频域空间分别完成和分析。特征提取阶段主要完成单位行为的分析和计算,提取相关属性特征作为样本数据。最后,在分类阶段,收集到的样本构造根据不同的分类原则来构造一个分类模型,然后,未知的样本划分。

3.2。态度计算算法

为了达到更准确的态度计算和减少传感器的噪声干扰,计算节点的过程中态度,角速度的三个数据,加速度,和磁场强度是融合,空间所表达的态度是四元数方法,选择和微分进化算法改进态度计算结果的准确性。

四元数是一个数学概念由汉密尔顿在1843年创造的。这是一个简单的超复数能够描述刚体的旋转。本文研究人体运动姿态是一种刚体旋转。所以用四元数来描述。

四元数数字的组合组成的一个实数和三个虚数单位,以及定义表格所示(1)。

其中, , , ,和是实数; , ,和三个假想的单位;和四元数也可以表达的形式 。 是四元数的数字。

如果满足 ,然后被称为一个单位四元数,单位四元数(1,0,0,0)可以用来描述身体的姿势静止。

只可以使用组合四元数来描述人体的转动,所以四元数需要规范化,标准化形式方程所示(2)。

其中,代表了规范化的四元数。

单位四元数可以用来描述人体在三维空间的旋转,及其形式方程所示(3),这也是一个四元数微分方程。

这个公式表示四元数,它由角速度陀螺仪的检测,见公式(4)。

根据复数运算的计算,有 ,和公式(1)和公式(4)插入公式(3)获得公式(5)。

方程(5)之间的关系反映了人体载体角速度和四元数对时间的导数。通过集成的导数,根据四元数的原始状态,四元数的新状态,和四元数在新状态可以通过规范化。单位四元数用于描述人体从一个姿势的变换到另一个姿态,和更新方程方程所示(6)。

其中,是一个非负整数,代表了时间的系统;然后,和 代表着单位的人体姿态四元数 - - - - - -th和 时刻,分别表示两个样本之间的时间间隔。值很小,所以它被认为是,人类的身体以一个恒定的速度旋转时间。

自代表了四元数对时间的导数 - - - - - -阶矩公式(7可以根据公式(获得)3)。

和公式(7)到公式(6)获得公式(8)。

因此,当系统的初始状态和旋转角速度的人体是已知的,四元数的系统的状态可以从方程(获得8)来确定人体的当前姿态。

相应地,考虑各种干扰和模型残差的影响,上述演化方程(8)可以被扩展为:

的公式,代表了综合模型误差和随机干扰对态度的影响。

3.3。微分进化算法的优化

微分进化算法(DE)是一种基于实数编码进化进化算法。其整体结构类似于遗传算法。从遗传算法的主要区别是变异操作。变异操作的微分进化算法是基于差分向量的染色体,和其他操作类似于遗传算法。我们使用微分进化算法快速得到最优值。与其他算法求解非线性方程相比,微分进化算法具有良好的计算效果,简单可行,具有较高的精度。

让是 - - - - - -th染色体的 - - - - - -th代,然后

其中,染色体的长度,也就是说,变量的数量,然后呢是世界上最大进化代数。(1)生成初始种群

随机生成满足约束的染色体 - - - - - -维空间和实施以下措施:

其中,和上界和下界的吗 - - - - - -th变量, 是一个随机小数之间[0,1]。(2)变异操作

随机选择3个染色体 , ,和从人口,那么: (3)交叉操作

交叉操作是增加群体的多样性。具体操作如下:

其中,交叉概率, 。(4)选择操作

为了确定是新一代的一员;向量 和目标向量比较评价函数:

重复操作(2)(4),直到最大进化代数是达到了。最优值是最终的解决方案。

3.4。两级卷积神经网络的智能识别算法

图2显示两级卷积神经网络的结构,它由两部分组成。

第一部分是数据收集和分割的部分。执行抽样的抽样率20 Hz。样本的时间长度是3.2秒,涵盖足够的运动姿势,从而提高系统的稳定性。和其他不会介绍太多的周期运动姿势改变时运动姿势。50%的重叠率使得识别延迟约1.6秒,而重系统延迟和系统能耗的影响。

第二部分包括两个级联卷积神经网络。他们都有两个卷积层,2池层,1完全连接层。第一级卷积神经网络关注运动的分类提出了类似的模式和更高的复杂性。第二级卷积神经网络关注分类四个运动姿势:步行、慢跑、站、坐着。自从类型的运动姿态,每个级别的卷积神经网络需要认识到不到的单级端到端卷积神经网络智能识别算法,他们不太复杂,因此他们都比单级端到端卷积。参数的数量少的神经网络智能识别算法。

端到端神经网络算法一样,所有的运动姿态直接承认使用较大的单级神经网络结构类似于单级的端到端卷积神经网络的智能识别算法。多级端到端卷积神经网络算法在本文中使用一个单独的卷积神经识别运动姿态。因此,它可以实现更高精度比单级的端到端卷积神经网络智能识别算法,使用一个单级卷积神经网络识别运动姿态。

本文确定的运动姿势,慢跑和快跑也有类似的姿势。为了解决这个问题,本文使用了一个多级的端到端卷积神经网络算法。自一级卷积神经网络具有大致认可这两个动作手势,二级网络可以进一步认识到更详细的功能,从而达到准确的分类。

4所示。结果与讨论

4.1。运动状态划分

分散度代表观察到的变量的值之间的差异程度,和传感器信号样本之间的差异值被定义为分散的程度。计算每个传感器的数据离散程度,和每个运动状态可以确定的阈值。数据分割方法基于色散的原理图所示3。

子图的曲线是腿角速度色散和运动状态在散步,和子图c是手臂的曲线角速度分散在传递和运动状态。在s ubpicture a和c,横坐标表示时间,纵坐标代表角速度色散和动作状态,分别。在subfigure,运动员开始走在t1和t2,停在腿都在运动。subfigure c,从时间t1到t2,运动员通过球,和他的手臂运动。根据部门的原始运动数据在t1和t2两个图片,角速度数据提取的运动状态,并得到s ubpicture b和d。

子图b是腿角速度曲线在散步,和子图d是前臂角速度曲线在传递。在s ubpicture b和d,横坐标表示时间,纵坐标代表了角速度的手臂和腿,分别。可以看出从subfigure b,步行是一个持续的行动由多个单元操作,定期和腿的角速度变化在散步。subfigure d,角速度的手臂不会改变定期在传递,并通过是一个瞬时行动。可以看出,该部门的国家可以实现运动状态数据的提取。

4.2。单元操作部门

瞬时动作和连续动作通过行动获得的国家部门和单位行动部门的进一步处理连续的动作。连续运动的过程中,通过观察发现,腿和手臂的运动是在连续的周期性变化,和连续的周期性变化更明显。因此,它是可行的,实现基于运动数据单元的划分运动的胳膊和腿。发现角速度数据是最直观的描述角度变化在人体运动。因此,角速度作为参考数据。

在运动过程中,传感器信号很容易受人体和外部环境的影响。计算角时肢体运动的微分进化算法融合加速度,磁场强度,和角速度数据,这可以减少外部噪音的影响。图4显示了小腿的角度的曲线在散步。在图中,横坐标表示时间,纵坐标代表小牛的角度。角曲线微分进化算法,获得的周期性变化,但一段时间后,角度值有明显的偏差;角曲线得到的微分进化算法,基本上在双方0度波动振幅相等。因此,使用微分进化算法处理数据可以减少噪声的干扰信号。

图5是一个比较图的角速度和角在行走和运球。在图中,横坐标表示时间,纵坐标的子图a和c代表前臂和小腿的角速度,分别和子图的纵坐标b和d代表小。可以从子图a和c,有更多的噪音信号的角速度信号,和曲线不够光滑;虽然子图的角度信号曲线b和d是相对平静,所以单位行动可分为基于角降低实现复杂度。

4.3。姿态计算精度测试

本文的四元数微分进化算法用于计算人体姿势为了过滤系统误差引起的角陀螺仪的漂移。因此,它是必要的,以确定传感器的姿态计算的准确性。在实验中,阅读的方法获得的传感器节点的旋转角微分进化与实际角是用来确定姿态计算的准确性的情况下确定的旋转角度。

实验从一个角度0度开始和继续旋转传感器节点的一个角度1080度,每90度采样数据。实验分为两组。为了比较的补偿效应的微分进化算法角度计算,第一组实验的不使用任何补偿方法和直接获得通过角速度集成传感器旋转角;第二组使用微分进化方法补偿角度传感器的输出节点。

图6显示了错误数据的比较之前和之后的补偿。旋转1080度后,角计算误差没有任何补偿方法已经达到10度,而角计算误差补偿的微分进化算法是只有0.37度。可以看出微分进化算法可以有效地弥补角速度积分改善人体姿态计算的准确性。

完成运动主要是通过运动员的整体运动的上、下肢协调运动,当运动被公认,有必要讨论上、下肢的运动。通过结合上、下肢运动,运动员的动作。本文比较了分类的性能提出了两级卷积网络和不同的手势识别分类器。如图7,平均识别率高达99%,平均召回率是99%。实验表明,本文提出的两级卷积网络最好的影响上、下肢运动的认识。

在培训过程中,误差曲线性能的两级卷积网络,BP算法,支持向量机算法,BN算法和C4.5算法如图8。通过比较,可以发现,500年以后的迭代训练部分,两阶段的迭代误差值卷积网络是最小的,到达设定精度。BP神经网络算法迭代的最大误差值,这是很多不同的设定精度。同时,支持向量机算法和BN算法的曲线下降缓慢,更多的迭代之后,一个更小的误差值。

我们进一步比较了本文算法与目前最先进的方法,以及实验结果如表所示1。可以看出,本文算法取得了最高的识别精度。

5。结论

人体手势识别已经吸引了越来越多的关注在各个领域,如医疗、体育、游戏和电影。摘要体育运动员的姿势识别体育领域研究和分析。人的胳膊和腿的运动状态信息是由传感器检测到设备来完成运动姿态的识别。摘要惯性传感器技术是应用于识别运动的态度。首先,为了提高姿态计算的准确性,减少噪声干扰在制备过程中,本文使用微分进化算法应用计算实现多传感器数据融合的态度。其次,两级神经网络智能动态手势识别算法。两级神经网络智能识别算法有效地识别类似的行动,把传统的单一神经网络分解为两级神经网络。实验表明,本文设计的实验方法的姿态运动可以获得实时的运动信息考生,意识到个人运动的准确提取数据,并完成识别的运动姿态。

尽管本文中的算法取得了精度高、实时性能需要进一步改善。我们的未来的工作是提高实时性能,同时保持精度。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

本研究支持的重大项目的基本哲学社会科学研究河南省高校:体育的力量:体育的多元化的价值和功能研究从社会主义核心价值体系的角度(2021 - jczd - 34)。这项工作是支持部分由中国国家自然科学基金赠款U1804152之下。